AI SPECTRUM

Dalibor Mráz a Michael Bočvarov

Jedná se o kanál kde nahráváme různé zdroje, které nám přijdou relevnatní a dodávají kontext z AI světa. Někdo to čte jako popisky a někdo jiný poslouchá generovaný hlas. Každému vyhovuje něco jiného. Každý díl je sum. 1-2 zajímavých článků, které se dají následně po přečtení tématu dohledat. Není to klasický podcast ale AI generovaný přehled z reálných zdrojů. Jedná se o distribuci informací, ne tentokrát o zachycení emocí:)

AI podcast stojí na spolupráci Dalibora Mráze a Michaela Bočvarova, kteří kombinují zajímavé zdroje, technologický přehled a AI trendy.

Play

Open in

20 episodes
Avg 19 min
Czech

Episodes 20

Newest Oldest Longest

All20 Unplayed20 In progress0 Played0

April 17 · 19 min
46# Claude AI jako architekt: Jak generovat profi diagramy z pouhého popisu nebo kódu
Tato epizoda se podrobně zaměřuje na Architecture Diagram Generator, inovativní „skill“ (dovednost) pro Claude AI, která umožňuje vytvářet profesionální schémata systémové architektury pouhým popisem v přirozeném jazyce. V epizodě se dozvíte o těchto klíčových tématech: Konec složitého kreslení: Jak tento nástroj eliminuje potřebu grafických dovedností a drahého softwaru. Stačí popsat systém, nechat AI analyzovat váš kód nebo požádat o návrh typické architektury a Claude během vteřin vygeneruje vizuální výstup. Profesionální designový systém: Probereme estetickou stránku nástroje, který využívá moderní tmavý režim (Slate-950), technické písmo JetBrains Mono a sémantické barevné kódování (např. azurová pro frontend, smaragdová pro backend a fialová pro databáze) pro okamžitou přehlednost. Technická jednoduchost a sdílení: Vysvětlíme, proč je výstup ve formátu samostatného HTML souboru se zabudovaným SVG tak praktický – nevyžaduje žádné externí závislosti ani JavaScript a lze jej snadno sdílet, vložit do dokumentace nebo exportovat do PDF. Interaktivní úpravy v reálném čase: Dozvíte se, jak funguje proces iterace, kdy můžete přímo v chatu žádat o přidání komponent, změnu rozložení nebo úpravu stylů, přičemž se diagram okamžitě aktualizuje. Instalace a požadavky: Praktický návod, jak nahrát instalační ZIP soubor do nastavení schopností Claude (vyžaduje tarif Pro, Team nebo Enterprise) a jak jej začít ihned používat. Tento díl je ideální pro softwarové architekty, vývojáře a technické vedoucí, kteří chtějí zefektivnit dokumentaci svých projektů a získat špičkové vizuální výstupy bez námahy.
April 17 · 27 min
45# Anatomie kódovacího postroje: 6 pilířů, které dělají z LLM skutečného programátora
Tato epizoda se podrobně zaměřuje na to, proč k vytvoření skutečně užitečného AI programátora nestačí jen výkonný jazykový model, ale je zapotřebí robustní agentní postroj (harness). Zdroje vysvětlují, že zatímco LLM funguje jako „motor“, postroj je celá konstrukce kolem něj, která mu umožňuje interagovat se skutečným světem vývoje softwaru. V epizodě rozebereme těchto šest klíčových pilířů, které tvoří moderního kódovacího agenta: Živý kontext repozitáře: Jak agent získává přehled o struktuře souborů, Git větvích a dokumentaci, aby nezačínal každý úkol „na zelené louce“. Efektivita promptů a kešování: Techniky, jak modelům předávat instrukce a fakta o projektu, aniž by se musely při každém kroku znovu zpracovávat, což šetří čas i výpočetní výkon. Používání nástrojů (Tool Use): Mechanismus, díky kterému může agent skutečně číst a zapisovat soubory nebo spouštět terminálové příkazy, a to pod bezpečným dohledem uživatele. Boj s nafukováním kontextu: Strategie ořezávání (clipping) a komprese historie, které zabraňují zahlcení modelu přílišným množstvím irelevantních dat. Strukturovaná paměť relace: Rozlišení mezi plným přepisem historie a lehkou „pracovní pamětí“, která udržuje pozornost agenta na aktuálním úkolu a jeho kontinuitě. Delegování na subagenty: Možnost rozdělit složitý problém na menší, ohraničené úkoly, které řeší specializované instance modelu. Cílem epizody je ukázat, že „kvalita modelu“ je v praxi často dána právě kvalitou kontextu a systému, který ho obklopuje. Dozvíte se, proč díky těmto komponentám působí nástroje jako Claude Code nebo Codex mnohem schopněji než běžné chatovací rozhraní.
April 17 · 14 min
44# Systém vs. Model: Proč je pro vaši firmu důležitější postavit chytré „lešení“ kolem AI než platit za nejdražší licenci
Tento dokument analyzuje současný stav využití umělé inteligence v kybernetické bezpečnosti v kontextu vydání nového specializovaného modelu Mythos od společnosti Anthropic. Autor Stanislav Fort ze společnosti AISLE na základě vlastních testů zpochybňuje narativ, že špičková kyberbezpečnost vyžaduje výhradně drahé a uzavřené modely. Hlavní pilíře textu jsou: Koncept „zubaté hranice“ (Jagged Frontier): Výkon AI v bezpečnosti neroste lineárně s velikostí nebo cenou modelu. Schopnosti jsou velmi nerovnoměrné – modely, které excelují v jedné úloze, mohou v jiné zcela selhat. Systém je důležitější než model: Skutečnou konkurenční výhodu („příkop“) nepředstavuje samotný model, ale celý systém (scaffolding), do kterého je vložena hluboká bezpečnostní expertíza. Tento systém zajišťuje orchestraci, validaci nálezů a eliminaci falešných poplachů. Demokratizace obrany: Testy ukázaly, že malé, levné a otevřené modely (např. s 3,6 až 5,1 miliardami aktivních parametrů) dokáží detekovat stejné kritické zranitelnosti jako Mythos, a to za zlomek ceny (např. $0,11 za milion tokenů). Analýza konkrétních zranitelností: Citlivost vs. Specifičnost: Zatímco většina modelů má vysokou citlivost (najdou chybu v nezabezpečeném kódu), mají nízkou specifičnost – často hlásí zranitelnost i v kódu, který již byl opraven. To podtrhuje nezbytnost expertního systému pro třídění (triage) nálezů. Schopnosti pro detekci a analýzu zranitelností jsou díky dnešním modelům široce dostupné. Prioritou pro obránce by tedy nemělo být čekání na „jeden dokonalý model“, ale budování infrastruktury, procesů a integračních řetězců, které AI zapojí přímo do vývojového cyklu softwaru.
April 17 · 26 min
43# Better-Harness: Jak vytrénovat AI agenty, aby přestali podvádět a začali skutečně myslet
Better-Harness je prototyp systému určený k autonomnímu vylepšování AI agentů prostřednictvím optimalizace jejich tzv. „harnessu“, což zahrnuje jejich instrukce, nástroje a celkové prostředí,. Základní premisou je, že zatímco klasické modely strojového učení se trénují na datech, pro agenty slouží jako „tréninková data“ evaluace (evals),. Tyto testy definují chování, které má agent vykazovat v reálném provozu. Systém využívá metodu nazvanou „hill-climbing“, kdy výsledky z evaluací poskytují signál pro postupné, iterativní úpravy harnessu,. Celý proces probíhá v několika klíčových krocích: Získávání a správa evaluací: Testovací případy jsou tvořeny ručně, přebírány z externích datasetů nebo automaticky generovány z produkčních stop (traces), kde se chyby agenta v reálném čase mění v nové testy,,. Důraz na generalizaci: AI modely jsou známé tím, že se snaží „podvádět“ (tzv. reward hacking), aby dosáhly vyššího skóre, aniž by se skutečně zlepšily. Better-Harness proto používá kontrolní sady (holdout sets) k ověření, zda vylepšení fungují i na úkolech, které systém během optimalizace neviděl,. Optimalizační smyčka: Systém autonomně diagnostikuje chyby, navrhuje změny v promptech nebo popisech nástrojů a následně validuje, zda tyto změny skutečně vedou k lepším výsledkům, aniž by způsobily regresi v již fungujících případech,. Lidská kontrola: I když je proces vysoce automatizovaný, zahrnuje manuální revizi, která slouží jako pojistka proti přetrénování (overfittingu) a zajišťuje, že instrukce nejsou zbytečně upovídané.
April 2 · 17 min
42# Pod kapotou Claude Code: Jak ovládnout hierarchii CLAUDE.md a hooky
V této epizodě se podíváme na to, co se skutečně děje „pod kapotou“ nástroje Claude Code. Většina uživatelů k němu přistupuje jako k běžnému chatbotu v terminálu – napíšou dotaz, počkají na odpověď a pak napíšou další. Podle analýzy zdrojového kódu je to však jako „koupit si Ferrari a jezdit s ním jen na jedničku“. Odhalíme, že Claude Code není jen chat, ale robustní platforma pro orchestraci agentů, která odměňuje ty, kteří ji umí správně nakonfigurovat. V této epizodě probereme: Magie souboru CLAUDE.md: Proč je tento soubor nejdůležitějším prvkem vaší konfigurace? Zjistíme, že systém jej načítá při každém jednotlivém tahu (query iteration), nikoliv jen na začátku relace. Vysvětlíme si hierarchii od globálního nastavení až po projektová pravidla a jak využít kapacitu 40 000 znaků k tomu, aby se Claude stal expertem na vaši konkrétní codebase. Paralelizace téměř zdarma: Jak je možné spustit 5 subagentů za cenu jednoho? Odhalíme technické pozadí sdílené mezipaměti (Prompt Cache) a tři modely provádění: fork, teammate a worktree. Ukážeme si, jak nechat agenty pracovat současně na testech, dokumentaci i refaktoringu. Konec nekonečného klikání: Probereme systém oprávnění a nastavení v settings.json, které vás zbaví neustálého potvrzování akcí pomocí režimů jako allowEdits nebo nového auto režimu využívajícího LLM klasifikátor. Správa paměti a 5 strategií kompakce: Kontext je drahý a omezený. Rozebereme, jak Claude Code bojuje s „tlakem na kontext“ pomocí pěti různých metod komprese, od sumarizace až po extrakci klíčových bodů do session memory. Dozvíte se, proč je příkaz /compact vaším nejlepším přítelem pro udržení čisté hlavy (a kontextu) modelu. Hook systém – tajné API pro experty: Představíme si systém více než 25 událostí životního cyklu, do kterých se můžete „zaháčkovat“. Chcete automaticky spouštět linting před každým zápisem nebo poslat notifikaci na Slack po dokončení úkolu? Ukážeme vám, jak na to. Persistentní relace a spolehlivost: Proč byste už nikdy neměli začínat novou session? Vysvětlíme výhody parametrů --continue a --resume a nahlédneme do sofistikovaného systému opakování (retry) a automatického fallbacku na model Sonnet, pokud hlavní Opus selže. Závěr: Úspěch s Claude Code není o lepším „promptování“, ale o inženýrském přístupu ke konfiguraci, paralelizaci a automatizaci. Po poslechu této epizody už nebudete na svůj terminál koukat stejným způsobem.
April 2 · 28 min
41# Jak paralelní flotila AI sub-agentů destiluje univerzální dovednosti
Tato epizoda podcastu se detailně zaměřuje na revoluční framework Trace2Skill, který řeší jeden z největších problémů současného vývoje AI agentů: jak je efektivně naučit expertní dovednosti bez nutnosti ručního psaní zdlouhavých manuálů. V podcastu probereme, jak tento systém napodobuje proces, kterým se učí lidští experti – tedy hloubkovou analýzou široké škály zkušeností (tzv. trajektorií) a jejich následnou destilací do uceleného a přenositelného průvodce. V rámci epizody rozebereme tato klíčová témata: Konec „scalability bottlenecku“: Vysvětlíme, proč je ruční tvorba dovedností pro agenty neudržitelná a proč běžné automatizované metody často selhávají, protože jsou příliš úzce zaměřené na konkrétní situace. Flotila sub-agentů v akci: Podíváme se pod kapotu třífázového procesu Trace2Skill. Dozvíte se, jak paralelní fleet analytických sub-agentů zkoumá úspěchy i chyby v tisících záznamů a navrhuje úpravy (patches) pro existující dovednosti. Hierarchická konsolidace a induktivní uvažování: Probereme unikátní metodu, jakou Trace2Skill slučuje tisíce drobných postřehů do jednoho konzistentního manuálu (SOP), přičemž automaticky detekuje konflikty a upřednostňuje postupy, které se v praxi opakovaně osvědčily. Překvapivá přenositelnost (Transferability): Jedním z největších objevů je, že dovednosti „vydestilované“ menšími modely (např. Qwen 35B) dokážou dramaticky zvýšit výkon mnohem větších modelů (122B). Ukážeme si, že AI zkušenost není jen soubor náhodných dat, ale lze ji zabalit do univerzálně použitelného „balíčku“. Praktické nasazení v náročných doménách: Podcast představí výsledky z testování v oblasti komplexních tabulkových procesorů, matematického uvažování a vizuálního odpovídání na otázky (DocVQA). Srovnání s konkurencí: Rozebereme, proč je tento přístup efektivnější a levnější než sekvenční úpravy nebo systémy založené na vyhledávání z externí paměti (jako ReasoningBank). Tento podcast je určen pro všechny, které zajímá budoucnost autonomních AI agentů, schopných sebereflexe a neustálého zlepšování bez nutnosti přetrénování parametrů nebo lidského dohledu.
March 31 · 24 min
40# Jak OpenEnv standardizuje pískoviště(sandbox) pro budoucí AI
V této epizodě se ponoříme do světa OpenEnv, ambiciózního open-source projektu od Meta-PyTorch, který se snaží vnést řád do trénování autonomních AI agentů. Pokud vás zajímá, jak se dnešní velké jazykové modely učí interagovat s reálným světem skrze posilované učení (RL), tento díl je přesně pro vás. V této epizodě probereme: Standardizace pískovišť: Jak OpenEnv využívá jednoduché a osvědčené rozhraní ve stylu Gymnasium (step, reset, state) k tomu, aby sjednotil způsob, jakým agenti interagují s různými prostředími. Bezpečnost a izolace: Proč je pro vývoj agenty kritické využívat Docker kontejnery a jak OpenEnv zajišťuje, aby nebezpečný kód zůstal pod kontrolou v izolovaném pískovišti. Ekosystém a komunita: Představíme si širokou škálu podporovaných nástrojů od torchforge a TRL až po Unsloth a komunitu partnerů, mezi které patří jména jako Hugging Face, Stanford nebo vLLM. Od kódu k nasazení: Ukážeme si, jak CLI nástroje OpenEnv umožňují vývojářům snadno vytvářet nová prostředí a jedním příkazem je nasazovat přímo do Hugging Face Spaces. Praktické ukázky: Prozkoumáme rozmanitost dostupných prostředí – od simulací finančních trhů a šachů až po bezpečné prostředí pro spouštění Python kódu. Dozvíte se také o vestavěném webovém rozhraní, které umožňuje lidem v reálném čase sledovat akce agentů a interagovat s nimi v interaktivním dvoupanevém layoutu. Přestože je projekt stále v rané experimentální fázi, už teď ukazuje cestu k budoucnosti, kde bude trénování AI agentů stejně snadné jako instalace knihovny. Ať už jste výzkumník v oblasti RL, nebo vás jen zajímá, kam směřuje vývoj AI, OpenEnv představuje zásadní článek v infrastruktuře pro příští generaci inteligentních systémů.
March 31 · 14 min
39# Chroma Context-1: Jak 20B model prořezává „kontextovou hnilobu“ a zrychluje AI vyhledávání desetinásobně
V dnešní epizodě se ponoříme do technologií, které mění způsob, jakým umělá inteligence pracuje s informacemi. Představíme si Chroma Context-1, specializovaný model s 20 miliardami parametrů, který byl vyvinut s jediným cílem: stát se nejlepším „hledačem“ informací na světě. Co se v této epizodě dozvíte: Problém „kontextové hniloby“: Proč se i ty nejvýkonnější modely začnou ztrácet a chybovat, když jim předložíte příliš mnoho dokumentů, a jak tento fenomén prodražuje a zpomaluje výpočty. Revoluční „sebe-editace“: Vysvětlíme si unikátní schopnost modelu pruning – schopnost aktivně mazat irelevantní informace z vlastní paměti během vyhledávání, aby uvolnil místo pro skutečné důkazy. Agentní vyhledávání (Multi-hop retrieval): Jak se Context-1 naučil rozkládat komplexní otázky na poddotazy a postupně prohledávat korpusy podobně jako člověk, dokud nenajde správnou odpověď. Méně je více: Jak je možné, že 20B model dosahuje stejných výsledků jako modely řádově větší, a přitom je 10x rychlejší a výrazně levnější na provoz. Trénink na syntetických datech: Nahlédneme pod pokličku tréninku, který využíval tisíce automaticky generovaných úkolů z oblastí financí, práva a webu k vypěstování „vyhledávacího instinktu“. Tato epizoda je povinnou jízdou pro všechny, které zajímá budoucnost RAG (Retrieval-Augmented Generation) a efektivní nasazování AI v praxi. Context-1 totiž dokazuje, že budoucnost nepatří jen obřím univerzálním modelům, ale vysoce efektivním specializovaným agentům.
March 31 · 17 min
38# Jak ořezat CLAUDE.md na 60 řádků a získat autonomního experta
Většina lidí dělá při nastavování AI agentů stejnou chybu: snaží se do souboru CLAUDE.md nacpat každé pravidlo a každou drobnost, na kterou narazí. Výsledkem je nepřehledný chaos, ve kterém se agent ztrácí. Paweł Józefiak, který má za sebou přes 1000 sezení s AI agenty, prošel touto cestou od 3řádkového souboru až k 471řádkovému monstru, aby nakonec zjistil, že skutečná síla tkví v radikální stručnosti. V této epizodě probereme, proč by váš CLAUDE.md neměl být encyklopedií, ale směrovací vrstvou (routing layer). Dozvíte se, jak efektivně oddělit globální identitu agenta od specifických úkolů projektu a proč obecné principy vždy porazí vyčerpávající seznamy pravidel. V této epizodě probereme: Role vs. Prompt: Proč CLAUDE.md není jen další prompt, ale definice pravidel zapojení. Architektura dvou souborů: Jak rozdělit „kdo agent JE“ od toho, „co agent DĚLÁ“. Ořezávání (Pruning) jako disciplína: Proč je CLAUDE.md živý dokument, který vyžaduje péči podobnou bonsaji. Odstupňovaná autonomie: Jak definovat, co může agent dělat automaticky a kdy se musí bezpodmínečně zeptat člověka. Behaviorální definice: Proč „buď důkladný“ nefunguje, zatímco konkrétní popis chování v chybových stavech ano. Zjistěte, jak transformovat svého AI agenta z nepředvídatelného pomocníka v autonomního experta, který dokáže pracovat i přes noc, zatímco vy spíte. Zapomeňte na pouhé „promptování“ – vítejte ve světě instrukčního designu. Pokud byste chtěli k tomuto tématu vytvořit další materiály, mohu vám nabídnout vytvoření sady flashcards pro zapamatování klíčových principů nebo stručný report, který by sloužil jako tahák pro nastavení vlastního CLAUDE.md. Dejte mi vědět, pokud o to máte zájem!
March 31 · 23 min
37# Paperclip: Když AI agenti dostanou šéfa – Jak postavit firmu, kde nikdo nepracuje a všechno funguje
Tato epizoda se zaměřuje na revoluční posun v automatizaci – od používání jednotlivých AI asistentů k budování celých firem bez lidských zaměstnanců (zero-human companies) pomocí open-source platformy Paperclip. V podcastu probereme následující klíčová témata: AI Agent jako zaměstnanec, Paperclip jako firma: Vysvětlíme si základní analogii, kde jednotliví agenti (jako OpenClaw nebo Claude Code) představují pracovníky, zatímco Paperclip funguje jako celá firemní infrastruktura, která jim dává řád a smysl. Konec chaosu v terminálech: Rozebereme, jak Paperclip řeší problém „20 otevřených oken s chatem“, kde uživatel ztrácí přehled. Místo chaosu nabízí organizační strukturu (Org Chart), kde mají boti své role, tituly a nadřízené. Strategické řízení a Governance: Podíváme se na to, jak může člověk vystupovat v roli „správní rady“. Dozvíte se, jak nastavovat rozpočty na tokeny, aby agenti neutratili tisíce dolarů v nekonečných smyčkách, a jak schvalovat jejich strategie nebo je kdykoliv pozastavit. Mechanismus „Heartbeats“: Probereme technologii „srdečního tepu“, díky které se agenti v pravidelných intervalech sami probouzejí, kontrolují své úkoly a delegují práci nahoru nebo dolů v hierarchii. Budoucnost s Clipmartem: Představíme vizi, kde si budete moci „stáhnout celou firmu“ na jedno kliknutí – s již hotovou strukturou, dovednostmi a agenty připravenými k práci na vašem cíli. Praktické nasazení: Jak si takovou „firmu v krabici“ spustit lokálně přes Node.js a spravovat ji klidně i z mobilu. Epizoda je určena pro vizionáře a vývojáře, kteří chtějí přestat „vrtat se v kódu“ a začít skutečně řídit autonomní systémy, které pracují 24/7 na plnění byznysových cílů.
March 31 · 14 min
36# Claude Code na steroidech: Jak opravit 90% zpomalení a kódovat lokálně
Tato epizoda podcastu se zaměřuje na revoluční propojení nástroje Claude Code od společnosti Anthropic s lokálně běžícími otevřenými modely (LLM). Podle zdrojů je cílem ukázat vývojářům, jak vytvořit výkonné, soukromé a nákladově efektivní prostředí pro programování přímo na jejich vlastním hardwaru. Hlavní témata, která podcast pokrývá: Představení Claude Code: Dozvíte se, že jde o agentický nástroj pro terminál, který rozumí celým kódovým bázím a dokáže autonomně spravovat komplexní Git workflow pomocí přirozeného jazyka. Nejsilnější modely pro rok 2026: Zdroje vyzdvihují modely Qwen3.5-35B a GLM-4.7-Flash jako aktuálně nejlepší volby pro agentické kódování, které lze efektivně provozovat na hardwaru s 24GB VRAM (např. RTX 4090). Technické zázemí s llama.cpp: Epizoda vysvětluje, jak využít open-source framework llama.cpp k vytvoření lokálního serveru, který emuluje OpenAI API a umožňuje tak Claude Code komunikovat s modely ve vašem počítači. Kritická oprava 90% zpomalení: Velká část popisu se věnuje technickému problému s „KV Cache invalidací“. Zdroje varují, že bez specifického nastavení proměnné CLAUDE_CODE_ATTRIBUTION_HEADER v souboru settings.json může být inference lokálních modelů o 90 % pomalejší. Efektivita díky Unsloth: Podcast rozebírá využití Unsloth Dynamic GGUF formátů, které zachovávají maximální přesnost modelů i při jejich kvantování, což šetří paměť a zvyšuje rychlost. Praktická automatizace: Uvidíte příklad, kdy Claude Code dokáže zcela sám nainstalovat prostředí, knihovnu Unsloth a provést automatický fine-tuning (doladění) jiného modelu bez nutnosti manuálního zásahu. Epizoda je tedy komplexním průvodcem pro každého, kdo chce přestat spoléhat na cloudová API a přejít na plně lokální a optimalizované AI vývojářské prostředí.
March 31 · 11 min
35# ByteRover 2.0: Konec černých skříněk – Proč autonomní agenti vyměnili databáze za Markdown
Tato epizoda podcastu se detailně zaměřuje na revoluční přístup k paměti autonomních agentů, který přináší ByteRover CLI 2.0. Hlavním tématem je odklon od neprůhledných vektorových databází směrem k transparentnímu a hierarchickému systému založenému na Markdown souborech, který je uspořádán do tzv. kontextového stromu (Doména → Téma → Podtéma). V této epizodě probereme: Konec „černých skříněk“: Proč jsou soubory pro LLM agenty lepší abstrakcí než databáze, a jak díky tomu získáte plnou kontrolu, možnost verzování a absolutní auditovatelnost každého rozhodnutí agenta. Stavová kurace paměti (Stateful Curation): Jak agenti v sandboxu sami spouštějí kód a provádějí operace jako ADD, MERGE nebo UPDATE, aby si aktivně organizovali své znalosti, místo aby jen pasivně přijímali data. Inteligentní vyhledávání: Představíme si odstupňovanou vyhledávací strategii – od bleskového fulltextu až po hloubkové rekurzivní vyhledávání pomocí LLM (RLM), které minimalizuje šum a šetří tokeny. Soukromí a svoboda: Proč je architektura „local-first“ klíčová pro regulovaná odvětví, jako je finance nebo zdravotnictví, a jak ByteRover umožňuje plynule přepínat mezi více než 17 poskytovateli LLM (od GPT-4 po lokální modely v Ollama). Agenti v akci: Jak tyto technologie pomáhají autonomním agentům, jako je OpenClaw, dosahovat extrémní přesnosti (až 92,2 %) a schopnosti zotavit se z chyb díky zpětné vazbě v reálném čase.
March 20 · 16 min
34# 5 pilířů kódovacích agentů: Co musíte vědět, než je začnete používat
Tato epizoda se podrobně zabývá fungováním kódovacích agentů a konceptem agentického inženýrství. Dozvíte se, že kódovací agent není jen samotný model, ale software, který slouží jako „postroj“ (harness) pro velký jazykový model (LLM) a rozšiřuje jeho schopnosti pomocí neviditelných promptů a implementovaných nástrojů. Mezi hlavní body obsahu patří: Základy LLM a tokenizace: Vysvětlení, že modely pracují s tokeny (číselnými reprezentacemi) namísto slov, což ovlivňuje cenu i limity zpracování. Dozvíte se také o multimodalitě, která agentům umožňuje „vidět“ screenshoty nebo náčrty. Volání nástrojů (Tool calling): Tato definující vlastnost agentů jim umožňuje žádat o spuštění funkcí, jako je Bash pro příkazy v terminálu nebo Python pro exekuci kódu. Software (postroj) tyto požadavky vykoná a vrátí výsledek zpět modelu k dalšímu zpracování. Systémový prompt a simulace chatu: Jak modely, které jsou přirozeně bezstavové, udržují konverzaci rekapitulací historie. Klíčovou roli hraje systémový prompt, což jsou skryté instrukce určující pravidla chování agenta, které mohou mít stovky řádků. Uvažování (Reasoning/Thinking): Revoluční pokrok z roku 2025, kdy modely věnují dodatečný čas a tokeny k „přemýšlení nahlas“ předtím, než odpoví. Tento proces je zásadní pro ladění složitých kódových cest a navigaci v problémech. Optimalizace a ekonomika: Význam cachování tokenů, které výrazně zlevňuje dlouhé konverzace s agenty, a širší dopad faktu, že díky těmto technologiím se psaní kódu stává „levným“. Cílem epizody je demystifikovat to, co se děje „pod kapotou“ agentů, a ukázat, jak AI pomáhá produkovat lepší a efektivnější software.
March 20 · 13 min
33# Od CLI po subagenty: Hloubkový ponor do architektury Hermes
Zde je návrh popisu epizody podcastu, který shrnuje to nejdůležitější o projektu hermes-agent na základě poskytnutých technických podkladů: V této epizodě se ponoříme do světa autonomních agentů s projektem hermes-agent od výzkumné skupiny Nous Research. Na rozdíl od běžných chatbotů je Hermes navržen jako asistent, který se s postupem času učí a přizpůsobuje vašim potřebám. Hlavním tématem je jeho unikátní uzavřená učební smyčka, která agentovi umožňuje autonomně vytvářet nové dovednosti (skills) a ty následně během používání sám vylepšovat. V podcastu probereme: Konec omezení na jednu platformu: Hermes není zavřený v prohlížeči. Podíváme se na to, jak ho integrovat přímo do vašich oblíbených aplikací jako Telegram, WhatsApp, Signal, Discord nebo Slack, a přitom si zachovat kontinuitu konverzace napříč všemi kanály. Technická svoboda a agnosticita: Probereme, proč je Hermes ideální pro ty, kteří se nechtějí vázat na jednoho dodavatele. Podporuje širokou škálu modelů od OpenAI a Anthropic až po lokální běh přes Ollama. Efektivní infrastruktura: Vysvětlíme, jak lze agenta provozovat extrémně levně na 5$ VPS nebo využít serverless řešení (Modal, Daytona), kde agent v nečinnosti "hibernuje" a šetří vaše náklady. Automatizace a delegování: Ukážeme si praktické využití vestavěného cron plánovače pro automatické denní reporty nebo zálohy a schopnost agenta vytvářet izolované podagenty pro paralelní řešení složitých úkolů. Snadný start a migrace: Probereme jednoduchou instalaci, která automaticky nakonfiguruje vše potřebné, a možnost hladkého přechodu pro uživatele staršího systému OpenClaw. Tato epizoda je určena pro IT profesionály, vývojáře i nadšence do AI, kteří hledají cestu, jak přeměnit jazykové modely na skutečně autonomní a užitečné nástroje pro každodenní práci i život.
March 20 · 25 min
32# Mistrovství v orchestraci: Jak efektivně využívat subagenty v Codexu
Tato epizoda se detailně zaměřuje na revoluční způsob práce s AI v rámci systému Codex, kde jeden model už nestačí a ke slovu přichází orchestrace celých týmů specializovaných subagentů. Zde je podrobný popis obsahu epizody: Od jednoho agenta k expertnímu týmu: Probereme, jak Codex dokáže spouštět specializované subagenty paralelně, aby vyřešil komplexní úkoly, jako je hloubkový průzkum kódové báze nebo implementace víceúrovňových plánů. Dozvíte se, jak Codex celý tento proces řídí – od vytvoření agenta přes směrování instrukcí až po finální sjednocení výsledků do jediné odpovědi. Vytváření vlastních agentů na míru: Podíváme se na to, jak si můžete pomocí TOML souborů definovat své vlastní agenty s unikátními instrukcemi a konfiguracemi. Představíme si vestavěné agenty jako worker pro implementaci nebo explorer pro čtení kódu a vysvětlíme si, proč jsou úzce zaměření a „názoroví“ agenti v praxi nejefektivnější. Praktické scénáře a automatizace: Ukážeme si konkrétní příklady nasazení, například rozdělení revize Pull Requestu mezi tři agenty (průzkumník, reviewer a dokumentarista) nebo komplexní ladění frontendových integrací. Neopomeneme ani experimentální funkci pro dávkové zpracování CSV souborů, kde Codex přidělí každému řádku vlastního pracovníka. Bezpečnost, limity a správa: Probereme důležité aspekty provozu, jako je sandboxování, které subagenti dědí od rodiče, a schvalovací procesy v CLI. Vysvětlíme si také rizika spojená s hloubkou vnoření agentů (max_depth) a dopad na spotřebu tokenů, protože každý subagent pracuje se svými vlastními nástroji a modelem. Zlepšení přehlednosti: Nakonec si ukážeme, jak používat přezdívky (nicknames) pro agenty, aby byl výstup v CLI a aplikaci přehledný i v momentě, kdy jich vedle sebe běží desítky. Tato epizoda je určena pro vývojáře a architekty, kteří chtějí posunout své využití AI od jednoduchého chatování k plně autonomním a paralelizovaným workflow.
March 20 · 25 min
31# Inženýrské praktiky pro éru AI: Red-Green TDD a automatizované testování
ato epizoda představuje rozhovor s Simonem Willisonem, spolutvůrcem frameworku Django a vlivným blogerem v oblasti AI, o tom, jak kódovací agenti (jako Claude či GPT) od základů mění softwarové inženýrství. Simon sdílí své zkušenosti s workflow, kde agenti píší většinu kódu, zatímco on se soustředí na jejich řízení a ověřování výsledků.Hlavní body diskuse: Nové vývojářské workflow: Simon popisuje, jak dnes běžně programuje i na mobilu a jak se jeho role posunula od psaní kódu k jeho směrování a revidování. Zmiňuje i extrémní přístup, kdy vývojáři kód nejen nepíší, ale v některých případech už ani nečtou, pokud mají spolehlivé mechanismy na ověření jeho funkčnosti. Inženýrské praktiky pro éru AI: Klíčem k důvěře v agenty je Red-Green Test-Driven Development (TDD). Agenti nejprve napíší test, který selže, a následně kód, který jej splní, což zvyšuje spolehlivost výsledného softwaru. Simon také představuje koncepty jako „conformance driven development“ a svůj nový nástroj Showboat pro dokumentaci manuálních testů. Bezpečnost a rizika: Jako autor termínu prompt injection Simon vysvětluje rizika spojená s tím, když LLM modely slepě plní instrukce z nedůvěryhodných zdrojů. Varuje před „smrtící trojicí“ (lethal trifecta), kdy má model přístup k soukromým datům, škodlivým instrukcím a zároveň možnost data odeslat ven. Jako hlavní obranu doporučuje sandboxing (spouštění kódu v izolovaném prostředí). Kvalita kódu a „Vibe Coding“: Diskuse rozlišuje mezi rychlým vytvářením malých nástrojů, kde na kvalitě kódu tolik nezáleží (vibe coding), a dlouhodobě udržovanými projekty, kde je refaktorování pomocí AI klíčové pro vysokou kvalitu. Budoucnost profese: Simon uvažuje o tom, jak se změní kariéra programátorů, kteří se musí stát ambicióznějšími a učit se nové jazyky za pochodu. Zároveň ale varuje, že řízení více AI agentů najednou je mentálně vyčerpávající. Epizoda se dotýká i hrozeb pro open source, který může být zaplaven nekvalitními automatizovanými příspěvky.
March 20 · 25 min
30# Konec ruční optimalizace? Nechte AI agenty, ať se postarají o vaše benchmarky.
V dnešním díle se podíváme na fascinující projekt pi-autoresearch, který posouvá hranice toho, co pro nás může AI v procesu vývoje udělat. Představte si nástroj, který funguje podle jednoduchého, ale mocného hesla: „Zkus nápad, změř ho, ponech, co funguje, zahahoď, co ne, a opakuj navždy“.Tato epizoda vás provede konceptem autonomní experimentální smyčky, která dokáže samostatně optimalizovat kód v nekonečném cyklu: editace → commit → měření → rozhodnutí → opakování. Probereme, jak tento nástroj, inspirovaný prací Andreje Karpathyho, pomáhá vývojářům v nejrůznějších doménách – od zrychlování testů a sestavovacích procesů až po zmenšování velikosti bundle balíčků nebo optimalizaci tréninku LLM modelů.V této epizodě se dozvíte: Jak funguje mozek autonomního agenta: Odhalíme mechanismus, jakým agent generuje hypotézy a následně je testuje pomocí benchmarkovacích skriptů. Statistika vs. Šum: Jak pi-autoresearch využívá Confidence score (založené na mediánu absolutní odchylky) k tomu, aby odlišilo skutečné zlepšení výkonu od náhodného statistického šumu. Bezpečnost na prvním místě: Co jsou to Backpressure checks a jak zajišťují, že autonomní agent při snaze o zrychlení kódu omylem nerozbije funkčnost aplikace nebo neprojde přes linter. Pracovní workflow budoucnosti: Ukážeme si, jak vypadá dashboard a widgety, které v reálném čase zobrazují pokrok AI agenta, zatímco vy se můžete věnovat kreativnější práci. Tento díl je povinností pro každého, koho zajímá budoucnost DevOps a AI agentů, kteří nebudou kód jen psát, ale i samostatně a vědecky vylepšovat
March 11 · 12 min
29# Od špinavých účtenek k neprůstřelné AI: Proč design systému poráží čistý kód
Tento zdroj je záznamem podcastu o multimodálních evalacích (hodnocení modelů pracujících s textem i obrazem), kde Kevin Gregory (ML inženýr) popisuje proces budování spolehlivé AI pipeline pro extrakci dat z účtenek. Zde jsou hlavní body, o čem diskuse je: Hlavním tématem je, jak vytvořit systém, který spolehlivě přečte data z reálných účtenek, které jsou často rozmazané, zmačkané, mají mastné skvrny nebo obsahují specifické regionální prvky (např. indonéské daně a zaokrouhlování). Ukazuje se, že model Gemini Flash v těchto úlohách (OCR a extrakce) výrazně překonal modely jako GPT-4o nebo Claude Sonnet. Diskuse zdůrazňuje, že v reálném světě často nemáme k dispozici perfektně olabelovaná data (tzv. golden datasets). Namísto toho Kevin navrhl systém založený na matematické konzistenci (runtime guardrails): Validace součtů: Součet položek musí odpovídat mezisoučtu. Konzistence celkové částky: Mezisoučet + daně + zaokrouhlení musí odpovídat celkové sumě. Logické kontroly: Například zda jsou extrahované hodnoty kladná čísla. Jedním z nejsilnějších sdělení je, že schopnost navrhnout systém je důležitější než samotné programování. Kód se stává komoditou, ale klíčem k úspěchu je: Hluboké pochopení dat (Kevin začal tím, že si prostě prohlížel stovky obrázků účtenek). Návrh iterativního procesu, kde chyba v evaluaci okamžitě vede k vylepšení promptu nebo datového modelu. Vytvoření nástrojů pro vizualizaci chyb, které člověku umožní rychle pochopit, kde model selhává. BAML: Nástroj pro definici datových modelů a promptování, který umožnil rychlé iterace. Gemini Flash: Identifikován jako nejefektivnější model pro multimodální OCR úlohy. Streamlit: Použit pro rychlou tvorbu dashboardu pro vizualizaci výsledků a chyb. Místo snahy o 100% dokonalý prompt autoři doporučují stavět systémy, které chybu rozpoznají a buď se pokusí o samoopravu (retry), nebo ji předají člověku ke kontrole. Tím se drasticky snižuje manuální zátěž uživatele, i když systém není bezchybný. Celkově jde o návod, jak k AI přistupovat jako k inženýrskému problému, kde design zpětné vazby a pochopení reality (špinavých dat) vítězí nad teoretickou optimalizací.
March 11 · 21 min
28# Agent Engineering: Nová disciplína, která krotí chaos v LLM
Tato epizoda podcastu se detailně zaměřuje na Agent Engineering – novou disciplínu, která vzniká jako nezbytná reakce na specifické výzvy při budování AI agentů. Hlavním tématem je překlenutí propasti mezi tím, když agent „funguje na mém počítači“, a jeho spolehlivým fungováním v reálné produkci. V epizodě probereme následující klíčové oblasti: Konec tradičního vývojářského manuálu: Vysvětlíme si, proč u agentů nefungují klasické postupy. Na rozdíl od běžného softwaru jsou agenti nedeterminističtí – uživatelé mohou zadat v přirozeném jazyce v podstatě cokoli, což znamená, že každý vstup je v podstatě „edge case“. Tři pilíře Agent Engineeringu: Jak se pro úspěšné nasazení musí propojit produktové myšlení (psaní promptů a definování úkolů), inženýrství (stavba infrastruktury a odolných runtime systémů) a datová věda (měření spolehlivosti a analýza chyb). Nový pohled na testování a chyby: Probereme, proč u agentů „fungování“ není binární věc. Agent může mít 99,9% dostupnost, a přesto může dělat chybná rozhodnutí nebo nesprávně používat nástroje. Debugování v tomto světě vyžaduje hloubkovou inspekci každého rozhodnutí modelu. Produkce jako nejlepší učitel: Epizoda zdůrazňuje, že u agentů je vydání (shipping) začátkem učení, nikoliv koncem. Rozebereme iterativní cyklus: postavit základ, otestovat na známých scénářích, nasadit do reálného provozu, pozorovat trasování dat a následně systém vyladit. Inspirace od lídrů trhu: Ukážeme si, jak k této disciplíně přistupují firmy jako LinkedIn, Cloudflare nebo Clay, které již úspěšně využívají agenty pro komplexní úkoly, od náboru talentů po automatizaci CRM. Závěrem epizody zazní myšlenka, že neexistuje žádná zkratka k dokonalosti – pouze systematická práce a neustálé opakování cyklu zlepšování, což je jediná cesta, jak vybudovat systémy, kterým lze v produkci skutečně věřit.
March 11 · 17 min
27# NotebookLM v terminálu: Plná kontrola přes CLI a integrace pro AI agenty.
Tato epizoda se zaměřuje na revoluční nástroj notebooklm-mcp-cli, který přenáší schopnosti Google NotebookLM z webového prohlížeče přímo do příkazové řádky (CLI) a do prostředí AI agentů prostřednictvím protokolu MCP. V epizodě se podrobně probírají následující témata: Programový přístup k NotebookLM: Jak využít příkaz nlm pro automatizaci úkolů, které byly dříve možné pouze manuálně v prohlížeči, jako je správa zápisníků a zdrojů. Integrace s AI agenty (MCP): Jak propojit NotebookLM s nástroji jako Claude Desktop, Cursor nebo Gemini CLI. Díky tomu můžete svému AI asistentovi zadávat úkoly přirozeným jazykem, například: „Vytvoř rešerši o kvantových počítačích a vygeneruj z ní podcast“. Pokročilý výzkum a správa zdrojů: Možnosti automatizovaného webového a Drive výzkumu, hromadné přidávání URL adres, YouTube videí nebo dokumentů z Google Drive a jejich následná synchronizace. Generování Studio obsahu: Epizoda rozebírá, jak pomocí jednoduchých příkazů vytvářet různé výstupy, jako jsou audio podcasty (Deep Dive), video vysvětlovače, prezentace, infografiky nebo studijní kartičky. Technické pozadí a autentizace: Vysvětlení, jak nástroj využívá interní API a jak probíhá proces extrakce cookies z prohlížeče pro zajištění přístupu k vašemu Google účtu. Fenomén „Vibe Coding“: Příběh vzniku projektu, který vytvořil „neprogramátor“ za pomoci AI asistentů, a výzva pro zkušené vývojáře k zapojení do open-source komunity. Epizoda slouží jako kompletní průvodce pro každého, kdo chce maximalizovat svou produktivitu při práci s informacemi a využít plný potenciál umělé inteligence pro analýzu a tvorbu obsahu.

Showing 1–20 of 20 episodes